医療の収益サイクル管理におけるエージェント型AIの実情

医療の請求・入金管理には、次々と新しい約束が持ち込まれる。RPAがすべてを変えるはずだった。自然言語処理（NLP）も同様だった。その後、生成AIが議論を一変させた。今度はエージェント型AIだ。今回の違いは、その一部が実際に現場で使われ始めていることにある。

すべてではない。大半ですらない。それでも、本番環境で機能する例が十分にあり、これまでとは違う局面を迎えている。

実際に行動するとはどういうことか

製品紹介資料では、二つ以上のことを行うAIなら何でも「エージェント型AI」と呼ぶ場合がある。そうした定義を論じる価値はない。

本当のAIエージェントは、人が出力を解釈して次の行動を決めるのを待たない。診療記録を読み、必要な事前承認がないことを見つけ、保険者などの支払者のポータルにアクセスして申請する。却下されれば、関連書類を集め、異議申立てを作成し、適切な提出先へ送る。対応チケットを起票する必要も、処理待ちの列もない。職員が六つの画面をクリックして進む必要もない。

収益サイクル管理（RCM）でこれが重要なのは、業務が単純な一本道ではないからだ。事前承認の申請は、解決までに四つのシステムをまたぐこともある。支払者の要件は変わる。記録の質も医療提供者、専門領域、週によって異なる。決まった手順だけをなぞるシステムは、この環境では長く持たない。

実際に成果が出ている領域

この問題を率直に話せば、ほぼ必ず最初に挙がるのが事前承認だ。理由は構造にある。請求・入金の一連の業務でも、とりわけ大量の書類と細かな規則への対応を要する作業だからだ。米国医師会（AMA）の2024年事前承認に関する医師調査
では、27%の医師が、自分の事前承認申請は「頻繁に」または「常に」却下されると回答した。また、医師は平均して週39件の事前承認に対応しており、一件ごとに患者の診療時間が削られる。これは診療そのものの失敗ではなく、記録と業務の流れの問題だ。まさにエージェント型システムが対応するために作られた種類の課題である。

エージェントは保険給付の受給資格を確認し、診療書類を支払者の基準と照合し、提出状況を追跡する。人の審査担当者が関与する前に、不足情報も提示する。繰り返す情報収集、予測可能な照合規則、明確な完了条件という作業構造が適している。

請求内容の事前点検も同様に成果を上げつつある。却下後に対応を追いかけるのではなく、提出前の監査で医療コードの誤り、書類の不足、承認内容との不一致を見つけ、支払者に届く前に対処する。HFMAが2025年9月に医療機関の幹部272人を対象に行った調査
によると、RCMにAIと自動化を導入した組織が挙げた上位二つの成果は、請求の誤り率の測定可能な低下と、償還金の支払いまでの期間短縮だった。実際の財務的な回復の多くは、こうした前工程での修正から生まれている。

率直に見た現状

HFMAとFinThriveによる2025年5月の調査
では、63%の医療組織が、収益サイクルのどこかですでにAIと自動化を使っているとされた。確かな勢いのように聞こえる。実際そうだが、ただし書きが付く。

「何らかのAI」が意味する範囲は広い。多くの組織では、事前承認や却下に対する異議申立てなど、特定の一作業を担当する限定的なエージェントを、サイクルの一部で使っているということだ。妥当な出発点ではある。しかし、そこから受給資格確認、医療コーディング、請求、入金照合までを一貫して担う複数エージェントの業務フローに至る隔たりは小さくない。「AI時代に収益サイクルの近代化を考え直す」
で検討したように、全体を変革する構造的な障壁は、多くの技術ロードマップが認めるよりも根深い。

ベンダーとの話し合いでは、この隔たりがすぐに飛ばされがちだ。人手による処理を完全になくす収益サイクルは、計画上の目標としては妥当である。しかし、大半の組織が今いる場所ではない。近いうちに実現できると扱うと、導入時に問題が起こりやすい。

実証実験が行き詰まる理由

エージェント型AIはテスト中にはめったに失敗しない。実証実験はほぼいつも有望に見える。用途は狭く、データは比較的整っており、誰かがエージェントの行動を注意深く見ている。

本番運用は違う。支払者の規則は予告なく変わる。電子カルテ（EHR）の記録の質は、部門、医療提供者、専門領域によって変化する。例外的なケースは想定より速く増える。エージェントが担当範囲外の事態に遭遇したときの明確な引き継ぎ経路を設計していなければ、業務は止まるか、数週間後にようやく発覚する誤りを抱えたまま進んでしまう。

実証実験から本番へ規模を広げることは、実証実験を動かすこととは根本的に異なる課題だ。両者を同じ問題として扱う組織は、たいてい導入前ではなく導入中にその違いに気づく。医療以外でも、AI導入が本番での失敗に苦しんでいる理由の一つである。

インフラの問題

エージェント型AIは、整った、一貫性のある、互いに接続されたデータが使えるときに力を発揮する。この条件は、聞こえる以上に重い。

中規模から大規模の医療組織の大半は、分断された電子カルテ環境を運用している。プラットフォーム間で項目の定義が異なり、支払者のポータルごとにアクセス規則が違い、記録の質も専門領域や個々の医療提供者によって変わる。これは例外ではなく、通常の業務環境である。こうした課題は、積み重なった技術的・構造的負債という広い問題と密接に関わり、それが新たなAI需要に医療システムがどう応えるかを左右する
。

乱雑なデータが、いつも明白な障害を引き起こすわけではない。むしろ、本来は報告しなくてよい例外をエージェントが上位の担当へ回し始め、出力は一見正しくても、数週間後に発覚する誤りをひそかに含むことが多い。その大半では、技術は設計どおりに動いている。持ちこたえられないのは、その下にあるインフラだ。

エージェントの規模を広げる前に、この層を整えるのは地味な仕事である。そして、ベンダーのロードマップで十分に注目されていない部分でもある。

本当に機能すると何が変わるか

AMAの2024年事前承認に関する医師調査
は、その一端を明確に示す。93%の医師が、事前承認は患者の治療結果に悪影響を及ぼすと答え、94%が必要な医療へのアクセスを遅らせると答えている。エージェントが書類作成と提出の負担を引き受ければ、臨床職員は測定可能な形で時間を取り戻せる。RCMでエージェント型AIを使う意義は、請求一件当たりのコストだけではない。職員の時間が実際に何に使われ、それが持続可能なのかも問われる。

最も先へ進んでいる組織が、必ずしも最大の技術予算を持つわけではない。用途を絞って始め、初日から人の監督を業務フローに組み込み、本番の最初の数か月を、成功だけを祝うのではなくエージェントの間違いから学ぶことに費やした組織が多い。売り込みが示すより遅い。しかし、より長く続く。

今後の方向

HFMAの2026年3月の医療機関の利益率とAI投資に関する報告
は、収益サイクルの責任者が探索的な実証実験から、2026年の残りの期間に利益率を守る主要手段としてのAIへの積極投資へ移行していると指摘した。これは推測ではない。すでに行われている予算判断だ。

まだ定まっていないのは、電子カルテの分断が現実に存在し、支払者の規則が変わり続け、自律エージェントによる仕事の変化に人員体制のモデルが追いついていない中で、大規模な本番運用が実際にどうなるかだ。これからの18か月は、過去3年間を合わせた以上に、こうした疑問への答えをもたらすだろう。注意深く見守る価値がある。